专家间协作与争议：通过调谐评论生成器实现谣言早期检测

过去十年, 社交媒体平台是谣言传播的关键因素, 对社区造成了显著的负面影响。 为此, 社区发展出各种谣言检测（RD）算法, 通过用户评论作为证据自动识别它们。然而, 这些 RD 方法在谣言传播的早期阶段（仅有有限用户评论可用）往往难以实现, 导致社区关注更具挑战性的主题, 即谣言早期检测（RED）。通常, 现有的 RED 方法仅从早期评论中学习有限的语义。然而, 我们自己的初步实验表明, RED 模型在训练和测试评论数量保持一致且丰富时表现最佳。这激发我们通过生成更多类似人类的评论来解决此问题。为实现这一目标, 我们通过模拟专家协作与争议来调谋评论生成器, 并提出一种新的 RED 框架, 称为 CAMERED。具体而言, 我们将混合专家结构集成到生成式语言模型中, 并提出一种新的路由网络用于专家协作。此外, 我们合成了一个有知识的数据集, 并设计了对抗学习策略以对齐生成评论与真实世界评论的风格。我们进一步将生成的评论与原始评论集成到一种互动争议融合模块中。实验结果表明, CAMERED 在各种 RED 基准模型和生成方法方面均优于最先进的水平, 证明了其有效性。